Рынок заведений общественного питания Москвы¶

Учебный проект Яндекс Практикума по теме «Презентация исследования»

Цель: определить место для открытия нового заведения общественного питания (кофейни).

Данные: датасет с заведениями общественного питания Москвы, составленный на основе данных сервисов Яндекс Карты и Яндекс Бизнес на лето 2022 года.

Заказчик: инвесторы из частного фонда.

Задачи:

  • EDA: выявить любые общие особенности рынка заведений общественного питания,
  • выявить особенности рынка кофеен,
  • оценить перспективы для открытия кофейни и дать рекомендации по району для ее открытия.

Приложение: презентация

Оглавление

  • 1 Обзор данных
    • 1.1 пропуски
    • 1.2 дубликаты
    • 1.3 добавление столбцов
    • 1.5 функция для графиков
    • 1.6 вывод
  • 2 EDA
    • 2.1 категории заведений
    • 2.2 сетевые заведения
    • 2.3 районы
    • 2.4 рейтинги
    • 2.5 улицы
    • 2.6 цены
    • 2.7 вывод
  • 3 Анализ кофеен
    • 3.1 количество кофеен
    • 3.2 характеристики
    • 3.3 вывод
  • 4 Итог и рекомендации

1 Обзор данных¶

In [1]:
import json
import folium
import pandas as pd
import plotly.express as px

from plotly import graph_objects as go
from folium import Map, Marker
from folium import Map, Choropleth
from folium.plugins import MarkerCluster
from folium.features import GeoJsonTooltip

pd.set_option('mode.chained_assignment', None)

moscow_lat, moscow_lng = 55.751244, 37.618423

Откроем датасет и сохраним данные в переменной.

In [2]:
data = pd.read_csv('moscow_places.csv')
state_geo = 'admin_level_geomap.geojson'
    
display(data.head())
data.info()
name category address district hours lat lng rating price avg_bill middle_avg_bill middle_coffee_cup chain seats
0 WoWфли кафе Москва, улица Дыбенко, 7/1 Северный административный округ ежедневно, 10:00–22:00 55.878494 37.478860 5.0 NaN NaN NaN NaN 0 NaN
1 Четыре комнаты ресторан Москва, улица Дыбенко, 36, корп. 1 Северный административный округ ежедневно, 10:00–22:00 55.875801 37.484479 4.5 выше среднего Средний счёт:1500–1600 ₽ 1550.0 NaN 0 4.0
2 Хазри кафе Москва, Клязьминская улица, 15 Северный административный округ пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00... 55.889146 37.525901 4.6 средние Средний счёт:от 1000 ₽ 1000.0 NaN 0 45.0
3 Dormouse Coffee Shop кофейня Москва, улица Маршала Федоренко, 12 Северный административный округ ежедневно, 09:00–22:00 55.881608 37.488860 5.0 NaN Цена чашки капучино:155–185 ₽ NaN 170.0 0 NaN
4 Иль Марко пиццерия Москва, Правобережная улица, 1Б Северный административный округ ежедневно, 10:00–22:00 55.881166 37.449357 5.0 средние Средний счёт:400–600 ₽ 500.0 NaN 1 148.0 
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB

1.1 пропуски¶

Оценим количество пропусков в данных.

In [3]:
data.isna().sum()
Out[3]:
name                    0
category                0
address                 0
district                0
hours                 536
lat                     0
lng                     0
rating                  0
price                5091
avg_bill             4590
middle_avg_bill      5257
middle_coffee_cup    7871
chain                   0
seats                3611
dtype: int64

Имеются пропуски в столбцах с часами работы и количеством посадочных мест, а также в столбцах с оценкой цен в заведении. Заполнение пропусков усредненными данными в данном случае нецелесообразно, поэтому заполним пропуски заглушками для удобства работы (изменение типов данных, построение графиков и пр.)

Заполним пропуски в столбцах 4, 8 и 9 с информцией о режиме работы, категориях цен и средней стоимости заказа значениями "неизвестно".

In [4]:
for i in ['hours', 'price', 'avg_bill']:
    data[i] = data[i].fillna('неизвестно')

В столбцах 10 и 11 с оценками среднего чека и средней стоимости чашки капучино, а также в столбце 13 с количеством мест заполнить пропуски не представляется возможным. Нулями в качестве заглушек также заполнять не будем, иначе это повлияет на медиану и среднее.

1.2 дубликаты¶

Проверим данные на наличие явных дубликатов.

In [5]:
print('Количество явных дубликатов:', data.duplicated().sum())

Количество явных дубликатов: 0

Приведем столбцы с названиями и адресами к нижнему регистру и проверим на неявные дубликаты.

In [6]:
for i in ['name', 'address']:
    data[i] = data[i].str.lower()

print('Количество дубликатов по названию и адресу:', data[['name', 'address']].duplicated().sum())

Количество дубликатов по названию и адресу: 4

Удалим найденные дубликаты и проведем еще одну проверку по местоположению.

In [7]:
data = data[~(data[['name', 'address']].duplicated())]

print('Количество дубликатов по названию и местоположению:', data[['name', 'lat', 'lng']].duplicated().sum())

Количество дубликатов по названию и местоположению: 0

1.3 добавление столбцов¶

Добавим столбец с названиями улиц.

In [8]:
data['street'] = data['address'].apply(lambda x: x.split(',')[1])

Добавим столбец с указанием, работает ли заведение ежедневно и круглосуточно. Для поиска точной записи, обозначающей такой режим работы, посмотрим на наиболее популярные значения столбца.

In [9]:
data['hours'].value_counts()
Out[9]:
ежедневно, 10:00–22:00                                                  758
ежедневно, круглосуточно                                                730
неизвестно                                                              535
ежедневно, 11:00–23:00                                                  396
ежедневно, 10:00–23:00                                                  310
                                                                       ... 
пн,вт 09:00–21:00; ср-пт 09:00–22:00; сб 10:00–22:00; вс 10:00–21:00      1
пн-пт 12:00–01:00                                                         1
пн-пт 10:30–21:30; сб,вс 10:30–22:30                                      1
пн-пт 10:00–20:00; сб 11:00–19:00                                         1
пн-сб 10:30–21:30                                                         1
Name: hours, Length: 1307, dtype: int64
In [10]:
data['is_24/7'] = False
data.loc[data['hours'] == 'ежедневно, круглосуточно', 'is_24/7'] = True

1.5 функция для графиков¶

Определим фунцию для построения столбчатых диаграмм с помощью plotly.express с возможностью цветовой категоризации и подписей внутри столбцов.

In [11]:
def plot(data, feature, title):
    fig = px.bar(data,
                 x='count',
                 y=feature,
                 color='category',
                 text='count',
                 title=title
                )
    fig.update_layout(barmode='stack', yaxis={'categoryorder':'total descending'})
    fig.show()

1.6 вывод¶

Выведем информацию о предобработанном датасете.

In [12]:
display(data.info())

print('Количество уникальных названий', len(data['name'].unique()))

<class 'pandas.core.frame.DataFrame'>
Int64Index: 8402 entries, 0 to 8405
Data columns (total 16 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8402 non-null   object 
 1   category           8402 non-null   object 
 2   address            8402 non-null   object 
 3   district           8402 non-null   object 
 4   hours              8402 non-null   object 
 5   lat                8402 non-null   float64
 6   lng                8402 non-null   float64
 7   rating             8402 non-null   float64
 8   price              8402 non-null   object 
 9   avg_bill           8402 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8402 non-null   int64  
 13  seats              4792 non-null   float64
 14  street             8402 non-null   object 
 15  is_24/7            8402 non-null   bool   
dtypes: bool(1), float64(6), int64(1), object(8)
memory usage: 1.0+ MB

None
Количество уникальных названий 5512
  1. Пропуски в датасете заполнены заглушками для удобства работы.
  2. Изменен тип данных в некоторых столбцах с дробных на целые числа для лучшей визуализации
  3. Проведена проверка на явные и неявные дубликаты, удалено незначительное количество строк — 4.
  4. Добавлены столбцы с названиями улиц и информацией о ежедневно-круглосуточном режиме работы.
  5. Всего в полученном датасете 8402 записи, из них 5512 уникальных названий заведений.

назад в оглавление

2 EDA¶

2.1 категории заведений¶

Изучим заведения с точки зрения распределения по категориям.

In [13]:
category = (
    data
    .groupby(by='category', as_index=False)
    .agg(count=('name', 'count'))
    .sort_values(by='count', ascending=False)
)
category['share'] = round(category['count'] / data['name'].count(), 2)

fig = go.Figure(data=[go.Pie(labels=category['category'], values=category['count'])])
fig.update_layout(title='Распределение заведений по категориям')
fig.show()

Три категории-лидера — кафе, ресторан, кофейня.

Исследуем количество посадочных мест в заведениях по категориям. Прежде чем считать медианное количество, посмотрим сначала на выбросы.

In [14]:
fig = px.box(data, x='seats', y='category')
fig.update_layout(title_text='Разброс количества посадочных мест по категориям')
fig.show()

В среднем количество мест больше 300 является выбросами. Посмотрим на медианные значения.

In [15]:
seats = data.groupby('category', as_index=False).agg({'seats': 'median'}).sort_values(by='seats')

fig = px.bar(seats, x='seats', y='category', text='seats', title='Медианное количество посадочных мест по категориям')
fig.show()

Судя по датасету, наиболее вместительные заведения — рестораны, бары/пабы и кофейни. Наименее — булочные, пиццерии и кафе.

назад в оглавление

2.2 сетевые заведения¶

Посмотрим на соотношение сетевых и несетевых заведений в датасете.

In [16]:
net = data.groupby('chain', as_index=False).agg({'name':'count'})
net['share'] = round(net['name'] / data['name'].count(), 2)
net.columns = ['chain', 'count', 'share']
net['chain'][0] = 'несетевое'
net['chain'][1] = 'сетевое'
net
Out[16]:
chain count share
0 несетевое 5199 0.62
1 сетевое 3203 0.38

Посмотрим, какие категории заведений чаще являются сетевыми.

In [17]:
cat_net = data.pivot_table(index='category', columns='chain', values='name', aggfunc='count')
cat_net['share'] = round(cat_net[1] / (cat_net[0] + cat_net[1]), 2)
cat_net = cat_net.sort_values(by='share', ascending=False).reset_index()
cat_net.columns = ['category', 'non-chain', 'chain', 'share']
cat_net
Out[17]:
category non-chain chain share
0 булочная 99 157 0.61
1 пиццерия 303 330 0.52
2 кофейня 693 720 0.51
3 быстрое питание 371 232 0.38
4 ресторан 1313 729 0.36
5 кафе 1597 779 0.33
6 столовая 227 88 0.28
7 бар,паб 596 168 0.22

Построим график, в котором категории заведений будут откортированы по принципу от наибольшей доли сетевых заведений к наименьшей.

In [18]:
non_chain = cat_net['non-chain']
chain = cat_net['chain']
category = cat_net['category']

fig = go.Figure(data=[
    go.Bar(name='несетевое', y=non_chain, x=category, text=non_chain),
    go.Bar(name='сетевое', y=chain, x=category, text = chain)])

fig.update_layout(title_text='Количество сетевых и несетевых заведений')              
fig.show()

Наиболее часто сетевыми заведениями являются булочные, пиццерии и кофейни. Доли сетевых среди этих заведений превышают доли несетевых. Наименьшее количество сетевых заведений среди баров/пабов и столовых.

Определим топ-15 сетей в Москве по количеству заведений и построим график с визуализацией категорий заведений среди этих сетей.

In [19]:
top15 = (
    data
    .query('chain == 1')
    .groupby(by='name')
    .agg(count=('name','count'))
    .sort_values(by='count', ascending=False)
    .head(15)
    .reset_index()
)
top15_cat = (
    data[data['name'].isin(top15['name'])]
    .groupby(['name', 'category'])
    .agg(count=('name','count'))
    .reset_index()
)

plot(top15_cat, 'name', 'Категории заведений среди топ-15 популярных сетей')

Наиболее популярные сетевые заведения — это кофейни: 5 из 15 сетей. Также можно обратить внимание на сети пиццерий, которые занимают 2 и 3 место.

назад в оглавление

2.3 районы¶

Посмотрим на распределение заведений в датасете по административным районам Москвы. Построим график.

In [20]:
district = (
    data
    .groupby(['district', 'category'])
    .agg(count=('name','count'))
    .reset_index()
)

plot(district, 'district', 'Распределение категорий заведений по районам Москвы')

С перевесом более чем в 2 раза по количеству заведений выделяется Центральный административный округ. Три лидирующие категории во всех округах одинаковы: ресторан, кафе, кофейня. При этом в Центральном округе к лидерам приближается категория "бар/паб", тогда как в остальных округах она уступает, например, категории "быстрое питание".

назад в оглавление

2.4 рейтинги¶

Посмотрим на распределение средних рейтингов по категориям заведений.

In [21]:
rating_cat = (
    data
    .groupby('category', as_index=False)
    .agg(rating=('rating', 'mean'))
    .sort_values(by='rating', ascending=False)
)
rating_cat['rating'] = round(rating_cat['rating'], 2)
rating_cat
Out[21]:
category rating
0 бар,паб 4.39
5 пиццерия 4.30
6 ресторан 4.29
4 кофейня 4.28
1 булочная 4.27
7 столовая 4.21
3 кафе 4.12
2 быстрое питание 4.05
In [22]:
fig = px.bar(rating_cat, 
             x='rating', 
             y='category', 
             text='rating',
             title='Средний рейтинг заведений по категориям')
fig.show()

Средний рейтинг по категориям заведений не опускается ниже 4 баллов. В таком виде эта характеристика малоинформативна.

Построим фоновую картограмму со средним рейтингом заведений по районам.

In [23]:
rating_dist = data.groupby('district', as_index='').agg(rating=('rating', 'mean'))

m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

Choropleth(
    geo_data=state_geo,
    data=rating_dist,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Средний рейтинг заведений по районам',
).add_to(m).geojson.add_child(GeoJsonTooltip(['name'],labels=False))

m
Out[23]:
Make this Notebook Trusted to load map: File -> Trust Notebook

Средние рейтинги заведений по районам тоже различаются незначительно: все значения располагаются между 4.1 и 4.38.

назад в оглавление

2.5 улицы¶

Отобразим на карте все заведения датасета с помощью кластеров.

In [24]:
m_all = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

marker_cluster = MarkerCluster().add_to(m_all)

def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)
    
data.apply(create_clusters, axis=1)

m_all
Out[24]:
Make this Notebook Trusted to load map: File -> Trust Notebook

Выведем на график топ-15 улиц по количеству заведений.

In [25]:
streets = (
    data
    .groupby('street')
    .agg(count=('name','count'))
    .sort_values(by='count', ascending=False)
    .reset_index()
)
streets_cat = (
    data[data['street'].isin(streets['street'].head(15))]
    .groupby(['street', 'category'])
    .agg(count=('name','count'))
    .reset_index()
)

plot(streets_cat, 'street', 'Топ-15 улиц по количеству заведений')

Улица с наибольшим количеством заведений — Проспект Мира, по категориям на ней лидируют кафе, рестораны и кофейни.

Найдем улицы, на которых находится только один объект общепита.

In [26]:
street1 = streets.query('count == 1')
print('Количество улиц, на которых расположено только одно заведение:', street1['street'].count())

Количество улиц, на которых расположено только одно заведение: 457

Посмотрим на средние рейтинги среди таких заведений, которые находятся по одному на улицу, а также на категории, к которым они относятся, и какой процент среди них сетевых.

In [27]:
object1 = (
    data[data['street'].isin(street1['street'])]
    .groupby('category')
    .agg({'name':'count', 'rating': 'mean', 'chain': 'mean'})
    .fillna(0)
    .sort_values(by='name', ascending=False)
    .reset_index()
)
object1
Out[27]:
category name rating chain
0 кафе 159 4.139623 0.270440
1 ресторан 93 4.246237 0.236559
2 кофейня 84 4.307143 0.380952
3 бар,паб 39 4.479487 0.153846
4 столовая 36 4.261111 0.250000
5 быстрое питание 23 4.082609 0.347826
6 пиццерия 15 4.373333 0.600000
7 булочная 8 4.337500 0.500000

Лидеры по категориям те же самые, что и в общем датасете — кафе, ресторан, кофейня. Средние рейтинги находятся в тех же границах, что и в общем. Особенность можно увидеть в том, что среди таких одиночных общепитов на улице — меньший процент сетевых заведений, чем в целом в такой же категории.

назад в оглавление

2.6 цены¶

Посмотрим на значения средних чеков заведений по районам Москвы.

In [28]:
bill = data.groupby('district', as_index='').agg({'middle_avg_bill': 'median'})

m_bill = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

Choropleth(
    geo_data=state_geo,
    data=bill,
    columns=['district', 'middle_avg_bill'],
    key_on='feature.name',
    fill_color='Oranges',
    fill_opacity=0.8,
    legend_name='Медиана средних чеков заведений по районам',
).add_to(m_bill).geojson.add_child(GeoJsonTooltip(['name'],labels=False))

m_bill
Out[28]:
Make this Notebook Trusted to load map: File -> Trust Notebook

Медиана средних чеков различается значительно: от 450 до 1000 р. Самые дорогие районы — Центральный и Западный. Наиболее демократичные — Северо-Восточный, Южный, Юго-Восточный.

назад в оглавление

2.7 вывод¶

  1. Наиболее популярные категории заведений — кафе, ресторан, кофейня.
  2. Наиболее вместительные по медианному количеству мест заведения — рестораны, бары/пабы и кофейни. Наименее — булочные, пиццерии и кафе.
  3. Несетевых заведений в датасете 62%, сетевых — 38%. Чаще всего сетевыми заведениями являются булочные, пиццерии и кофейни. Реже всего — бары/пабы и столовые.
  4. Среди топ-15 популярных сетей 5 являются сетями кофеен, 2 — сети пиццерий.
  5. Из районов с перевесом более чем в 2 раза по количеству заведений выделяется Центральный административный округ.
  6. Три лидирующие категории во всех округах одинаковы: ресторан, кафе, кофейня. При этом в Центральном округе к лидерам приближается категория "бар/паб", тогда как в остальных округах 4-5 места занимают "быстрое питание" и "пиццерия".
  7. Средний рейтинг заведений ни по категориям, ни по районам не опускается ниже 4 баллов. Среди категорий по среднему рейтингу лидируют "бары/пабы", среди районов — Центральный округ.
  8. Улица с наибольшим количеством заведений — Проспект Мира, по категориям на ней лидируют кафе, рестораны и кофейни.
  9. В списке топ-улиц по количеству заведений можно обратить внимание на две улицы: Ленинградский проспект и Ленинградское шоссе. На них самая популярная категория в датасете — кафе — занимает не первое место по количеству.
  10. В датасете 457 улиц с одним заведением общепита. Среди категории общепитов "единственный на всю улицу" можно отметить меньший процент сетевых заведений, чем в целом в такой же категории.
  11. Медиана средних чеков составляет от 450 до 1000 р. в зависимости от района. Самые дорогие районы — Центральный и Западный. Районы с низкими средними чеками — Северо-Восточный, Южный, Юго-Восточный.

назад в оглавление

3 Анализ кофеен¶

3.1 количество кофеен¶

Подсчитаем количество кофеен.

In [29]:
cafe = data.query('category == "кофейня"')
print('Всего кофеен в датасете:', cafe['name'].count())

Всего кофеен в датасете: 1413
In [30]:
cafe_chain = cafe.groupby('name', as_index=False).agg(count=('address', 'count'))
print('Количество несетевых кофеен:', cafe_chain[cafe_chain['count'] == 1]['name'].count())
print('Количество сетей кофеен:', cafe_chain[cafe_chain['count'] > 1]['name'].count())

Количество несетевых кофеен: 716
Количество сетей кофеен: 110

Посмотрим на распределение кофеен по районам.

In [31]:
cafe_district = cafe.groupby('district', as_index='').agg(count=('name', 'count'))

m_cafe = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

Choropleth(
    geo_data=state_geo,
    data=cafe_district,
    columns=['district', 'count'],
    key_on='feature.name',
    fill_color='Greys',
    fill_opacity=0.8,
    legend_name='Медиана средних чеков заведений по районам',
).add_to(m_cafe).geojson.add_child(GeoJsonTooltip(['name'],labels=False))

m_cafe
Out[31]:
Make this Notebook Trusted to load map: File -> Trust Notebook
In [32]:
cafe_cluster = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

marker_cluster = MarkerCluster().add_to(cafe_cluster)

def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)
    
cafe.apply(create_clusters, axis=1)

cafe_cluster
Out[32]:
Make this Notebook Trusted to load map: File -> Trust Notebook

Значительная разница между центром — 428 кофеен — и всеми остальными округами. Меньше всего кофеен в Северо-Западном, Юго-Западном, Восточном, Юго-Восточном округах.

назад в оглавление

3.2 характеристики¶

Посмотрим, есть ли в дата сете круглосуточные кофейни.

In [33]:
print('Количество круглосуточных кофеен:', cafe[cafe['is_24/7'] == True]['name'].count())

Количество круглосуточных кофеен: 59

Посмотрим на рейтинги кофеен их распределение по районам.

In [34]:
cafe_rating_dist = cafe.groupby('district', as_index='').agg(rating=('rating', 'mean'))

cafe_rating = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

Choropleth(
    geo_data=state_geo,
    data=cafe_rating_dist,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Средний рейтинг кофеен по районам',
).add_to(cafe_rating).geojson.add_child(GeoJsonTooltip(['name'],labels=False))

cafe_rating
Out[34]:
Make this Notebook Trusted to load map: File -> Trust Notebook

Разница между рейтингами незначительная. Наиболее высокий средний рейтинг — в Центральном и Северо-Западном округах. Наиболее низкий — в Западном и Северо-Восточном.

Оценим медианную стоимость чашки капучино в кофейнях по районам.

In [35]:
cup_district = cafe.groupby('district', as_index='').agg(cup=('middle_coffee_cup', 'median'))

cup = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

Choropleth(
    geo_data=state_geo,
    data=cup_district,
    columns=['district', 'cup'],
    key_on='feature.name',
    fill_color='Oranges',
    fill_opacity=0.8,
    legend_name='Средняя стоимость чашки капучино по районам',
).add_to(cup).geojson.add_child(GeoJsonTooltip(['name'],labels=False))

cup
Out[35]:
Make this Notebook Trusted to load map: File -> Trust Notebook

Медианная стоимость чашки капучино по районам колеблется от 135 до 198 руб. Самые высокие медианные цены в Центральном, Западном и Юго-Западном округах. Наиболее низкая медианная цена в Восточном.

назад в оглавление

3.3 вывод¶

  1. Анализ кофеен проведен на следующих данных: всего кофеен в датасете — 1413, среди них несетевых кофеен — 716, сетей кофеен — 110.

  2. В распределении кофеен по округам очень большая разница: 428 кофеен в центре и значительно меньше во всех остальных округах. Меньше всего кофеен в Северо-Западном, Юго-Западном, Восточном, Юго-Восточном округах.

  3. 59 кофеен работают круглосуточно и ежедневно.

  4. Разница между рейтингами кофеен незначительная. Наиболее высокий средний рейтинг — в Центральном и Северо-Западном округах: 4,34. Наиболее низкий — в Западном и Северо-Восточном: 4,20.

  5. Медианная стоимость чашки капучино по районам колеблется от 135 до 198 руб. Самые высокие медианные цены в Центральном, Западном и Юго-Западном округах. Наиболее низкая медианная цена в Восточном.

назад в оглавление

4 Итог и рекомендации¶

  1. Кофейня является третьей по распространенности категорией заведения общепита в Москве — 16,8% заведений.
  2. Медианное количество посадочных мест в кофейне — 80. Это высокий показатель, ср: в ресторане — 86, в булочной — 50.
  3. Всего в датасете 1413 кофейни, 51% из них относятся к сетям — 110 сетей. 59 кофеен работают круглосуточно и ежедневно.
  4. Сети кофеен популярны: в топ-15 по распространенности входит 5 сетей. "Шоколадница" является лидером с большим отрывом среди всех категорий — 120 заведений. Другие 4 крупные сети — "One price coffee", "Cofix", "Кофепорт", "Cofefest".
  5. Средний рейтинг кофейни — 4,28. По округам наиболее высокий в Центральном и Северо-Западном — 4,34. Наиболее низкий — в Западном и Северо-Восточном: 4,20.
  6. Наиболее высокие медианные цены за чашку капучино — в Центральном, Западном и Юго-Западном округах. При этом Центральном и Западном наиболее высокие медианы средних чеков в целом по заведениям.
  7. Самая низкая медианная цена за чашку капучино — в Восточном округе.

Рекомендации

Для открытия кофейни целесообразно выбрать один из округов, где меньше всего представлено кофеен, это:

  • Северо-Западный
  • Юго-Западный
  • Восточный
  • Юго-Восточный.

При этом в Северо-Западном и Юго-Западном округах средне-высокие цены на чашку кофе и такие же средне-высокие рейтинги. Можно предположить, что относительно небольшое число кофеен в этих округах работает в целом хорошо и заходить на рынок здесь будет сложнее. Однако если цель — открыть кофейню именно высокого класса, эти округа являются подходящими.

Демократичную кофейню со ставкой на хороший сервис можно открыть в Восточном или Юго-Восточном округе, где более низкие цены и более низкие рейтинги кофеен.

назад в оглавление